ByteDance 的 SD 2 首尾帧 VIP（Pro）。通过优先路由生成在两张参考图像之间过渡的视频。提供 1 张图像仅生成起始帧，或提供 2 张图像同时定义起始帧和结束帧。 SD 2 首尾帧 VIP（Pro）可通过优先路由，在两张参考图像之间生成过渡视频。提供一张图像时仅将其作为开场帧，提供两张图像时则生成完整的首尾转场。使用 pro 模型，以 2K 分辨率获得最高输出质量。
ByteDance 的 SD 2 首尾帧 VIP（Pro）。通过优先路由生成在两张参考图像之间过渡的视频。提供 1 张图像仅生成起始帧，或提供 2 张图像同时定义起始帧和结束帧。
关于此模型
SD 2 首尾帧 VIP（Pro）可通过优先路由，在两张参考图像之间生成过渡视频。提供一张图像时仅将其作为开场帧，提供两张图像时则生成完整的首尾转场。使用 pro 模型，以 2K 分辨率获得最高输出质量。
成本分析
| 提供商 | 费用 | 备注 |
|---|---|---|
| muapiapp | $0.30-$1.35/sec (720p-4K) | VIP priority routing with pro-quality output; price scales with the selected resolution. |
| Fal.ai | 暂不可用 | 暂不可用。 |
| Replicate | 暂不可用 | 暂不可用。 |
VIP priority routing with pro-quality output; price scales with the selected resolution.
暂不可用。
暂不可用。
** 竞品价格根据相似模型架构和使用层级估算。
配置参数
| 参数 | 类型 | 描述 | 默认值 |
|---|---|---|---|
| 提示词 | string | 指导帧间过渡的文本描述。 | Two people having a street interview, the interviewer holds a microphone. |
| 分辨率 | 枚举（3 个选项） | Output resolution. Price scales with resolution: 720p is cheapest, 4K is most expensive. | 720p |
| 帧图像 | array | 1 张图像仅作为首帧；2 张图像作为首帧和末帧。使用 'adaptive' 画面比例以匹配参考图像几何结构。 | https://d3adwkbyhxyrtq.cloudfront.net/ai-images/186/712345784292/4a8c5c70-abcc-4920-873e-b0e219986453.jpg |
| 画面比例 | 枚举（7 个选项） | 输出视频画面比例。'adaptive' 会匹配参考图像（推荐）；具体比例可能会裁剪或补边。 | adaptive |
| 时长（秒） | int | 视频时长（秒）。 | 5 |
| 高比特率 | boolean | 启用高比特率模式以获得更好的画面保真度，但会生成更大的文件。 | false |
指导帧间过渡的文本描述。
Two people having a street interview, the interviewer holds a microphone.Output resolution. Price scales with resolution: 720p is cheapest, 4K is most expensive.
720p1 张图像仅作为首帧；2 张图像作为首帧和末帧。使用 'adaptive' 画面比例以匹配参考图像几何结构。
https://d3adwkbyhxyrtq.cloudfront.net/ai-images/186/712345784292/4a8c5c70-abcc-4920-873e-b0e219986453.jpg输出视频画面比例。'adaptive' 会匹配参考图像（推荐）；具体比例可能会裁剪或补边。
adaptive视频时长（秒）。
5启用高比特率模式以获得更好的画面保真度，但会生成更大的文件。
false开发者文档
上传 1 或 2 张图像：一张图像仅作为首帧；两张图像分别定义开场帧和结尾帧。
编写提示词：描述转场效果。示例："从黎明到黄昏，山脉上空发生平滑转变。"
设置时长：选择 4–15 秒。画面比例会根据输入图像自动确定。
获取结果：使用 request_id 进行轮询，或提供 webhook_url 接收通知。
常见问答
First & Last Frame 使用关键帧模式——两张图像都会成为视频的结构锚点。在 VIP 模式下，使用 2 张图像的 Image-to-Video 工作方式相同。核心区别在于定位：First & Last Frame 专为可控的起点到终点转场而设计。
可以在提示词中使用 @character:<request_id> 或 @omni-character:<char_id> 来加入角色身份引导，不过这些模式最适合搭配实际的帧图像使用。